CTR（Click-Through Rate）也就是点击率，是一个广告系统的术语，用以衡量一个广告被点击的可能性。在广告系统和推荐系统中，CTR作为一个备选广告和推荐列表的排序标准被广泛应用。由于它和流量收入等直接相关，研究如何提高CTR预估的准确率，始终是一个值得不断探究的方向。本文将分析常规到深度CTR预估方法的演变，争取从中整理出CTR预估的基本技术脉络。
定义与应用场景
CTR(click-through rate)也就是点击率，是一个广告系统的术语，用以衡量一个广告被点击的可能性。具体为点击次数除以展示次数，计算公式如下： \begin{equation} CTR = \frac{Number\ of\ click\ throughs}{Number\ of\ impressions} * 100\% \end{equation}
基本流程
广告系统
在广告系统中，需要预估某个广告对于某个群体（或个人）的CTR，然后根据CTR预估结果对备选广告进行排序，最终决定展示的广告。
广告平台更关心流量的价值，一般是根据ECPM(earning cost per mille，即每一千次展示带来的收入)来决定广告内容，而点击率就是连接广告主出价和ECPM之间的桥梁
推荐系统
在音乐、资讯、商品等各种推荐系统中，对于召回的内容列表，可以使用预估CTR进行排序，然后根据策略进行分发。
常规模型
Factorization Machine
FM模型也就是因子分解机，它基于矩阵分解，可以解决在稀疏数据的条件下特征组合的问题
Problems
- 广告特征是高维特征，例如职业这一特征使用one-hot编码可能高达几百维。
- 广告特征的组合非常重要，例如职业和商品类型的关系对推荐结果影响很大。
- 高维特征的组合必然导致稀疏的问题，进而导致参数难以训练。
Solution
- 通过隐向量表达特征
性能
- FM模型训练和测试可以达到线性复杂度的性能
深度模型
all credits goes to 王喆
Deep&Wide
Google 2016
- Wide部分：单层的 Wide 部分善于处理大量稀疏的 id 类特征，便于让模型直接“记住”用户的大量历史信息。
- Deep部分：提高泛化性，利用DNN挖掘数据模式。
启示：Deep LTR模型可以结合不同网络结构的不同特点，挖掘不同的数据模式
DeepFM
HUAWEI 2017
- Wide部分：用 FM 层替换掉了原来的 Wide 部分，加强了浅层网络部分特征组合的能力。DeepFM 相当于同时组合了原 Wide 部分 + 二阶特征交叉部分 +Deep 部分三种结构，增强了表达能力。
总结和展望
CTR预估模型在解决实际问题（特征高维稀疏等）的过程中不断发展进步；同时借他山之石（图像领域的深度学习）以攻玉，发展了CTR预估领域的深度模型以增强表征能力。让我们继续期待这个领域持续的进步。